核心功能
SurrealDB Knowledge Graph Memory v2.1 是一个企业级 AI 记忆基础设施，构建于 SurrealDB 图数据库之上，为智能体提供持久化、可检索、自校准的知识管理能力。系统采用三模态记忆架构：
语义记忆（Semantic Memory）：基于 OpenAI 嵌入向量的置信度加权事实存储，支持相似度搜索与关系推理。事实置信度通过成功/失败计数、时间衰减、实体关联等多维度动态计算。
情景记忆（Episodic Memory）：完整记录任务历史，包含目标、决策点、问题结构、解决方案与关键学习点。支持基于任务相似度的经验检索，实现从过去失败/成功中学习。
工作记忆（Working Memory）：YAML 格式的任务状态快照，确保系统崩溃后可恢复至精确断点，避免上下文丢失。
自动上下文注入（Auto-Injection）：通过 memory_inject 工具，在每轮对话前自动检索相关事实与情景记忆，动态拼接到系统提示词中，实现零感知记忆增强。
显著优点
- 企业级架构：SurrealDB 提供原生图关系支持，相比纯向量数据库可同时处理语义相似性与结构化关系查询
- 置信度演化机制：事实并非静态存储，而是通过任务 outcome 自动增益/衰减，实现知识的自我净化
- 多源知识抽取：支持从 Markdown 文件增量提取事实，自动发现实体关系，降低人工录入成本
- 崩溃恢复：工作记忆状态持久化，适合长周期、多步骤复杂任务
- MCP 原生集成：11 个标准化工具暴露给任何 MCP 客户端，无 vendor lock-in
局限性与风险
基础设施复杂度：需独立部署 SurrealDB 服务、维护 Python 虚拟环境、配置 OpenAI API 密钥，本地开发门槛较高
成本敏感性：OpenAI 嵌入 API 调用在频繁写入/搜索场景下可能产生可观费用，缺乏内置用量上限保护
冷启动问题：新建知识库需执行 Full Sync 或等待 cron 任务抽取，初期搜索结果可能为空
置信度黑箱：有效置信度计算涉及继承提升、实体增强、矛盾损耗等多因子，调参依赖经验
关系发现质量：自动实体链接与关系发现基于启发式规则，复杂领域可能需要人工校验
适用场景
- 长期运行的个人知识管理系统（PKM）
- 多会话保持上下文的客服/辅导智能体
- 需要从历史任务中持续学习的自动化工作流
- 对可解释性有要求的企业 AI 应用（置信度分数提供决策透明度）
常规风险
- API 密钥泄露风险（需妥善保管 OPENAI_API_KEY）
- 数据库未授权访问（默认 root/root 凭据需生产环境修改）
- 长期运行后的数据膨胀（需定期执行 Prune Stale 维护）